Нейронную

Пример обновления весовых коэффициентов 
121

---

• Сумма S.w^Oj, передаваемая сигмоидам, равна (2,0 * 0,4) + (3,0 * 
* 0 ,5 ) = 2,3.
• Тогда сигмоида 1/(1 + е 2,3) равна 0,909. Следовательно, проме­
жуточное выражение равно 0,909 * (1 - 0,909) = 0,083.
• Последняя часть — это просто сигнал о., которым в данном слу­
чае является сигнал о}-1, так как нас интересует вес wn , где j = l .
Поэтому данная часть просто равна 0,4.
Перемножив все три части этого выражения и не забыв при этом 
о начальном знаке “ минус” , получаем значение -0 ,0 2 6 5 .
При коэффициенте обучения, равном 0,1, изменение веса соста­
вит -0 ,1 * (-0,02 65) = +0,002650. Следовательно, новое значение wn, 
определяемое суммой первоначального значения и его изменения, 
составит 2,0 + 0,00265 = 2,00265.
Это довольно небольшое изменение, но после выполнения сотен 
или даже тысяч итераций весовые коэффициенты в конечном счете 
образуют устойчивую конфигурацию, которая в хорошо натрениро­
ванной нейронной сети обеспечит получение выходных сигналов, со­
гласующихся с тренировочными примерами.
Подготовка данных
В этом разделе мы обсудим, как лучше всего подготовить трени­
ровочные данные и случайные начальные значения весовых коэф­
фициентов и даже спланировать выходные значения таким обра­
зом, чтобы процесс обучения имел все шансы на успех.
Совершенно верно, вы все правильно прочитали! Не все попыт­
ки использования нейронных сетей заканчиваются успехом, и на 
то есть множество причин. Некоторые из них можно устранить за 
счет продуманного отбора тренировочных данных и начальных 
значений весовых коэффициентов, а также тщательного планиро­
вания схемы выходных сигналов. Рассмотрим все эти факторы по­
очередно.
122 
Глава 1. Как работают нейронные сети

---